numpy.irfftn对rfft变换数组乘标量后返回错误形状问题咨询

这不是numpy的bug，问题出在你调用numpy.irfftn时没有指定原信号的形状参数s，同时需要注意实傅里叶变换的对称性要求。

核心原因 #

1. rfftn/irfftn的默认形状推断规则

   • numpy.rfftn对形状为(Ng,Ng,Ng)的实数组做变换，输出形状为(Ng,Ng, Ng//2 +1)（这里Ng=5，最后一维长度为3），这是利用实信号的Hermitian对称性，只存储非负频率分量。
   • 调用numpy.irfftn时如果不指定s参数，numpy会默认推断输出形状为(n1, n2, 2*(m-1))，其中m是输入最后一维的长度。这里m=3，所以最后一维长度为2*(3-1)=4，导致输出形状为(5,5,4)，和原数组(5,5,5)无法广播。

2. 实傅里叶变换的对称性要求（针对微分操作）
   执行微分操作时，傅里叶空间的乘子需要满足Hermitian对称性，才能保证反变换后得到实数组：
   比如对z方向求导，对应傅里叶空间乘子是1j * kz，其中kz是频率数组。对于实信号，kz的负频率分量对应乘子1j*(-kz)，刚好等于conj(1j*kz)，因此乘该因子不会破坏对称性，反变换后会得到实数组。如果乘子破坏了这个对称，反变换会得到复数组，但形状不匹配的核心原因还是s参数未指定。

解决方法 #

• 调用irfftn时指定原信号的形状s：
  明确告诉numpy你要还原的数组形状是原field的形状(Ng,Ng,Ng)，这样irfftn会正确处理对称分量，返回和原数组形状一致的结果：

  import numpy as np
  Ng = 5
  field = np.random.rand(Ng, Ng, Ng)
  # 实傅里叶变换
  velk = np.rfftn(field)
  # 构造频率数组（以z方向微分为例）
  kx = np.fft.fftfreq(Ng) * 2 * np.pi
  ky = np.fft.fftfreq(Ng) * 2 * np.pi
  kz = np.fft.rfftfreq(Ng) * 2 * np.pi
  # 执行微分操作（对z求导）
  velk *= 1j * kz[np.newaxis, np.newaxis, :]
  # 指定s参数反变换，保证形状匹配
  field_deriv = np.irfftn(velk, s=(Ng, Ng, Ng))
  print(field_deriv.shape)  # 输出(5,5,5)，可与原数组正常广播
  

• 验证对称性（可选）：
  如果微分操作涉及多个方向，确保乘子组合后仍满足Hermitian对称性，避免反变换后出现微小虚部（可通过np.real取实部）。

为什么复傅里叶变换正常？ #

使用numpy.fftn和numpy.ifftn时，输入输出形状都是(Ng,Ng,Ng)，不需要额外指定形状参数，且复傅里叶变换不需要维护Hermitian对称性，因此不会出现形状不匹配的问题。

内容的提问来源于stack exchange，提问作者Matteo Peron